افزایش کارآیی جریان سنج دوفازی با استفاده از روش های استخراج ویژگی حوزه ی فرکانس و شبکه عصبی در طیف خروجی آشکارساز

دانش تشخیص مشخصه های جریان های چند فازی از جمله دوفازی‌ها در بسیاری از صنایع از جمله صنایع نفت، هسته ای، شیمی به عنوان مسئله ای کلیدی همواره مطالعه شده و مورد توجه بوده است. در این مقاله یک جریان دو فازی1 با سه رژیم حلقوی2، لایه ای3 و همگن4 با استفاده از کد مونت کارلو 5 در بازه ی کسر خالی %90-%5 شبیه سازی شده است. در شبیه سازی انجام شده از یک چشمه سزیم 137 و دو آشکار ساز nai به منظور ثبت فوتون های دریافتی استفاده شده است. با استفاده از نرم افزار متلب، سیگنال های حاصله توسط تحلیل فرکانسی(تبدیل فوریه) وارد بُعد فرکانس شده اند و شش ویژگی میانگین فرکانسی سیگنال، دامنه فرکانس غالب، واریانس، انحراف معیار، مجذور میانگین مربعات و کشیدگی به صورت یکسان از دو آشکار ساز استخراج شده است. با بررسی تمام حالات ممکن و در نظر گرفتن این نکته که معیار تشخیص رژیم ها، تفکیک پذیری نمودارها می باشد، حالاتی که نمودار آن ها هیچ نقطه تلاقی ندارند به عنوان ویژگی مناسب انتخاب گردیده است. در این پژوهش از دو شبکه ی عصبی پرسپترون چندلایه به منظور تشخیص نوع رژیم های جریانی و تعیین درصد های حجمی استفاده شده است. با استفاده از تکنیک استخراج ویژگی مطرح شده و شبکه عصبی طراحی شده، نوع رژیم جریانی به درستی تشخیص داده شدند و درصد های حجمی با میانگین نسبی خطای 1.15 تعیین گردیدند.

Increasing efficiency of two-phase flowmeters using frequency-domain feature extraction and neural network in the detector output spectrum

In this paper, three different regimes including annular, stratified and homogeneous in the range of 5%90% void fraction, were simulated by Mont Carlo NParticle (MCNP) Codes. In simulated structure, a cesium 137 source and two Nal detectors were used to record received photons. In this study, the Fast Fourier Transform (FFT) was applied to the registered signals from two detectors in order to analyze in the frequency domain. Several features of signals in the frequency domain were extracted using average value of fast Fourier transform, the amplitude of dominant frequency, kurtosis, Standard Deviation (STD), RMS (Root Mean Square) and Variance. The same features were extracted from analyzed signals of both detectors in order to find the best separation patterns. These extracted features were used as inputs of artificial neural networks (ANNs) to increase the efficiency of twophase flowmeters. Two multilayer perceptrons (MLP) neural networks were implemented in MATLAB software in order to classify flow regimes (annular, stratified and homogeneous) and predict the void fraction. All of the training and testing data were obtained correctly and the mean relative error percentage of the predicted void fraction was 1/15 %.